RE- Orodja Večnacionalna za orodje za modeliranje zahtev

Glavni

9. september 2016 Glejte tukaj za v.3.0.2 opombe k izdaji.
Kliknite tukaj za prenos.

RE-Tools je orodje za modeliranje modelov odprtokodnih potreb, ki podpira naslednje oznake:

  • Okvir NFR za modeliranje nefunkcionalnih zahtev (NFR)
  • I * okvir za agenta usmerjeno modeliranje
  • KAOS za oblikovanje formalnih ciljev
  • Problem Okvirji za poslovne in sistemske zahteve ter modeliranje specifikacij
  • BPMN za modeliranje poslovnih procesov
  • UML za objektno orientirano modeliranje

Spodaj je kratek video posnetek.

Povzetek plakata je na voljo tukaj.

Navedba:

Sam Supakkul in Lawrence Chung, “RE-Tools: večnacionalne zahteve modeliranje Toolkit,” zahteve Engineering konferenco (RE) 2012, 20. IEEE International, IEEE, 2012.

 

Vir: http://www.utdallas.edu/~supakkul/tools/RE-Tools/index.html

Layered Omrežje Pajk

Layered Omrežje Pajki

za vizualizacijo vaših povezav s svetom

 

“Ljudje lahko včasih delajo samo na petih ravneh hkrati, ko moramo ravnati šest.
Priznanje, kje se bo to pojavilo, bi lahko pomagalo pri premikanju mimo nje. ” (Orcim Namuh, 2007)

[Interaktivni kalkulator]

Če delite svojo budnost pozorno glede na obseg njegovega poudarka navznoter ali navzven glede na tri fizične meje (koža, genski bazen in kultura), je zanimiv način prikaza rezultata v obliki spodnjega obraza, prikazanem spodaj . Izstopno središče črne pike (pajka) označuje individualno pristranskost glede na različne lestvice velikosti, medtem ko sive črte (mreža) označujejo del pozornosti, ki jo ta oseba zanima (in je povezana z močjo njihovih osredotočiti na?) korelacije na vsaki od šestih ravni. Objektivno določanje teh številk za populacijo posameznikov je ločena zgodba, čeprav lahko vsakdo verjetno oceni, koliko svojih zadnjih sto ur je vključevalo osredotočenje na sebe, prijatelje, družino, skupnost / konsenz, kulturo / prepričanje in poklic / opazovanje, kot je prikazano spodaj.

Barva številk odraža poudarek na notranjih (modrih) in zunanjih (rdečih) žariščih. Na primer, čeprav sta obe plati spodaj uravnoteženi glede na obseg osredotočenosti, je osredotočanje posameznika na levo spodaj neutrudno gledano navznoter glede na kožo, družino in kulturo, medtem ko je osredotočenost posameznika na Desno je navzven usmerjeno. V tem smislu te parcele spominjajo na starodavno razlikovanje med yinom in jangom, tj. Med negovalcem in avanturistom. Prav tako predlagajo, da bi morda morali dati ljudem odmor v današnjem svetu, če hočejo biti tako negovalec kot pustolovec glede na vse tri sloje organizacije hkrati!

Na ploskvi desno spodaj je razvidno, kako delitev dela, npr. med velikimi gametami (pastelnimi) in metazoanimi majhnimi gameti, se lahko uporabijo za zmanjšanje povprečne slojevske množice Zavg, medtem ko se načeloma ohranja zgornja plast z množico Zcm v bližini šestih. S pomocjo organizmov, prilagojenih posebnim nišam, da razvijejo svoje prednosti, bi seveda mogla imeti takšno specializacijo svoje prednosti, dokler se organizmi ne bi zavedali dopolnilnih pomenov vseh nalog.

Po drugi strani pa bo ta poseben primer yin-yang, ki je bil sprejet v ekstremne točke, potegnil točke do robov trikotnikov v projekcijah, tako da se bodo pustili velike prazne točke v prostoru možnih nalog. Učinki tega bi se lahko še poslabšali, če bi se ovira gibanje informiranega gibanja v dodeljevalnem prostoru, v procesu določitve delitve dela.

Tako bi lahko bilo zanimivo raziskovanje pristranskosti posameznikov in skupin glede na negovanje in pustolovščino (npr. Vsota modro-minus rdečih številk). Še pomembneje je zbiranje zgornjih številk za določeno skupnost lahko zelo praktičen interes. Najprej,, izražanje kode ki je bila obveščena o plasti organizacije na več ravneh v bioloških sistemih, je bila znova in znova bistvena za razvoj in trajnost. Drugič, tehnična področja, ki so različna, kot so termodinamika, ekonomija, antropologija in preučevanje kompleksnih sistemov, vse kažejo, da je kvantitativna merilo zdravja skupnosti so lahko ključnega pomena pri reševanju izzivov, s katerimi se danes srečujejo človeške skupnosti in v prihodnjih letih.

Vloge lahko vključujejo količinsko opredelitev nišne strukture katere koli določene skupnosti metazojev, skupaj z geografsko porazdelitvijo njenih korelacij. Takšni ukrepi bi lahko služili kot dopolnilo BDP, saj so človeške skupnosti prehod na trajnost na omejenem planetu in kot merilo za vpliv programskih odločitev in nesreč. Ti ukrepi bi morali tudi pomagati pri učinkoviti in odgovorni dekonstrukciji ekstremističnih programov, ki ne upoštevajo korelacij na ravni ali drugem nivoju.

Različna področja preiskav prav tako nakazujejo, da so povezave med posamezniki in njihovimi skupnostmi na različnih ravneh oslabljene (bodisi zaradi pomanjkanja ali s politično odločitvijo), verjetno sledijo vedenja, ki prezreti organizacijo na eni ali več od teh ravni. Si že videl kaj takega v zadnjem času? Takšne stvari se morda težko izognejo na zemlji v daleč prihodnosti, saj se naše sonce premika proti rdeči velikanski veji, vendar se je zdaj mogoče izogniti temu, da bi se bolje od nas.


Tehnična opomba št. 001: Na zgornjih ploskvah je koristno določiti ravnovesno točko (črna pika), tako da zmanjšate uteženo vsoto kvadratnih razdalj med vsakim šestougajevnim vozliščem (kot bi bila potencialna energija) ali enakovredno z nastavitvijo gradienta (Hooke’s Zakonska sila) na nič. Za uteži {p1, p2, p3, p4, p5, p6}, ki seštejejo do Σp, to daje kartezijske koordinate za ravnovesno točko x = ½ (2p1 + p2-p3-2p4-p5 + p6) in y = ½ √3 (p2 + p3-p5-p6). Te enačbe lahko uporabite tudi za lociranje koordinat heksagonalnih vertexov v krogu polmera Σp, tako da vse, razen ene od šestih uteži, nastavite na nič.


Tehnična opomba št. 002: Če želite bolje razumeti, kaj pomenijo te šest številk za posameznika, kot je prikazano spodaj, se lahko zgodi, da se pozornost posameznika osredotoči na zadnjih sto urah. Za interaktivne različice teh vizualizacij preverite java apletove za krog omrežja, zgoraj obravnavano, pita za piščance prikazano spodaj, in tristopenjsko dvojno tet predstavitev 6-spremenljivega 5-simpleksa.

Poglej tudi…

ta opomba o junij 2010 video o posodobitvah statusa pozornosti,
… to bolj splošno opombo o Bayesovem informatiki,
…in kaj še?

 

Koristna spletna stran: http://www.umsl.edu/~fraundorfp/mixednets.html

 

Kaj je umetna inteligenca?

Z
István S. N. Berkeley Ph.D.
(istvan@louisiana.edu)

Filozofija,
Univerza v Louisiani pri Lafayette

 

Zgodovinska perspektiva: vse zveni tako dobro ….

Verjetno so vsi slišali za umetno inteligenco (AI za kratko), vendar ima relativno malo ljudi resnično dobro idejo o tem, kaj pomeni izraz resnično. Za večino ljudi je AI povezana z artefakti, kot je Hal 9000 Computer v filmu 2001: Space odyssey. Takšne slike so izdelek Hollywooda, ne pa vrste stvari, ki se dejansko zgodi v raziskovalnih laboratorijih sveta danes. Moj namen je predstaviti nekaj osnovnih idej za AI in poskusiti ponuditi sredstva, s katerimi se ljudje lahko spoprimejo s trenutnim stanjem na tem področju.

V grobem govoru je umetna inteligenca preučevanje računalniških naprav in sistemov, ki jih je mogoče izdelati, in jih je mogoče narediti, da bi delovali na način, ki bi ga radi nagibali k inteligentnosti. Rojstvo polja je mogoče izslediti v zgodnjih petdesetih letih 20. stoletja. Verjetno je bil prvi pomemben dogodek v zgodovini AI objavljanje članka z naslovom “Računalniški stroji in inteligenca” britanskega matematika Alana Turinga. V tem članku je Turing trdil, da bi lahko stroj, če bi mimo določenega testa (ki je postal znan kot “test Turinga”), utemeljeno rekli, da je bil računalnik inteligenten. Turingov test vključuje človeško bitje (znano kot “sodnik”), ki prek računalniškega terminala postavlja vprašanja drugim subjektom, od katerih je ena človeško bitje, druga pa računalnik. Če sodnik redno ni pravilno ločil računalnika od človeka, potem je računalnik rekel, da je opravil test. V tem prispevku je Turing obravnaval tudi številne argumente in ugovore z idejo, da bi računalniki lahko pokazali inteligenco.

Ponavadi se domneva, da se je AI rodil kot disciplina na konferenci z naslovom “Dartmouth poletni raziskovalni projekt o umetni inteligenci“, ki jo je med drugim organiziral John McCarthy in Marvin Minsky. Na tej konferenci je sistem, znan kot LOGIC THEORIST, dokazali Alan Newell in Herb Simon. LOGIČNI TEORIST je bil sistem, ki je odkril dokaze o izrekih v simbolni logiki. Pomembnost tega sistema je bila, da je po besedah Feigenbauma in Feldmana (1963: 108) LOGIČNI TEORIST “… prvi umik umetne inteligence v intelektualne procese visokega reda”. Tem začetnemu uspehu so hitro sledili številni drugi sistemi, ki bi lahko opravljali navidezno inteligentne naloge. Na primer, sistem, znan kot “DENDRAL“, je lahko mehaniziral vidike znanstvenega razmišljanja v organski kemiji. Drugi program, znan kot “MYCIN“, je bil sposoben interaktivno diagnosticirati nalezljive bolezni.

Temeljna strategija, ki je zaostala za vsemi temi uspehi, je pripeljala do predloga, kar so leta 1976 znova poimenovali sistemska hipoteza o fizikalnem simbolu. Newell in Simon leta 1976. Sistemska hipoteza fizikalnega simbola pomeni destilacijo teorije, ki je bila za večino dela ki se je nadaljevala do tega datuma in je bila predlagana kot splošna znanstvena hipoteza. Newell in Simon (1976: 41) so zapisali;

“Sistem fizičnih simbolov ima potrebna in zadostna sredstva za splošno inteligentno delovanje.”

Čeprav je prišlo do veliko spornosti o tem, kako natančno je treba to hipotezo razlagati, iz njega izhajajo dva pomembna zaključka. Prvi zaključek je, da so računalniki fizični simbolni sistemi v ustreznem pomenu in zato obstajajo razlogi (če je hipoteza pravilna), da verjamejo, da bi morali biti sposobni prikazati obveščevalne podatke. Drugi zaključek je, da moramo biti tudi fizični simbolni sistemi, saj smo tudi ljudje tudi inteligentni, zato so v pomembnem smislu, podobni računalniku.

Trenutna perspektiva: problemi in uspehi

Z vsemi temi očitno pozitivnimi rezultati in zanimivim teoretičnim delom se zdi precej očitno vprašanje, kje so inteligentni stroji, kot je HAL 9000? Čeprav je bilo na tem področju veliko impresivnih uspehov, je prišlo tudi do številnih pomembnih težav, s katerimi se je ukvarjalo raziskave AI. Še vedno ni HAL 9000 in v realnem primeru bo dobro, preden bodo takšni sistemi na voljo, če se bodo dejansko sploh izkazali za možne.

Zgodnji uspehi v AI so raziskovalce na tem področju spodbudili, da so zelo optimistični. Na žalost je bil optimizem nekoliko napačen. Na primer, leta 1957 je Simon napovedal, da bo šele deset let za računalnik, ki bo svetovni šahovski šah. Seveda tega posebnega podviga ni bilo doseženo do letošnjega leta Temno modra sistem. Vendar obstajajo globlje težave, ki jih je AI prizadel.

Za večino ljudi, če vedo, da je predsednik Clinton v Washingtonu, potem tudi vedo, da je pravo Clintonovo koleno tudi v Washingtonu. To se lahko zdi kot nepomembno dejstvo in dejansko za ljudi, vendar ni trivialno, ko gre za sistem AI. Dejansko je to primer primera, kar je bilo znano kot “Problem pogostega vedenja znanja”. Računalniški sistem ve, kaj je bilo povedano eksplicitno. Ne glede na to, kakšne so zmogljivosti računskega sistema, če ta sistem ve, da je predsednik Clinton v Washingtonu, vendar ne ve, da je tudi njegovo levo koleno, potem sistem ne bo videti preveč pameten. Seveda je povsem mogoče povedati računalniku, da če je oseba na enem mestu, potem je levo koleno na istem mestu, toda to je le začetek težave. Obstaja veliko podobnih dejstev, ki bi jih bilo treba tudi programirati. Na primer, tudi vemo, da če je predsednik Clinton v Washingtonu, potem so njegovi lasje tudi v Washingtonu, njegove ustnice so v Washingtonu itd. Težava z vidika AI je, da najde način za zajetje vseh teh dejstev. Problem Common Sense Knowledge je eden od glavnih razlogov, zakaj nismo še inteligentni računalniki, ki jih predvideva znanstvena fantastika, kot je HAL 9000.

Problem splošnega vedenja v AI je zelo globok. Na primer, računalniku bi bilo težko opraviti test Turinga, če ne bi imel zgoraj opisanega znanja. To točko lahko ponazorimo z upoštevanjem primera ELIZA. ELIZA je sistem AI, ki ga je leta 1966 izdelal Weizenbaum, ki naj bi posnemal psihoterapevta. V teh dneh je veliko različic te programske opreme, precej jih je mogoče prenesti. Čeprav je v nekaterih čutih ELIZA lahko precej impresivna, ne potrebuje veliko, da bi sistem zmedel ali izklopil. Hitro postane jasno, da je sistem daleč od inteligentnega.

V raziskovalni skupnosti AI je bilo veliko odgovorov na problem skupnega vedenja znanja. Ena od strategij je poskušati zgraditi sisteme, ki so namenjeni samo za delovanje na omejenih področjih. To je strategija, ki leži za Loebnerovo nagrado, sodobno dnevno tekmovanje, ki temelji na omejeni različici testa Turing. Nekateri nedavni vnosi na ta natečaj, kot je sistem TIPS, so res precej impresivni v primerjavi z ELIZA.

Druga ambicioznejša strategija je sprejel raziskovalec AI Doug Lenat. Lenat in njegovi kolegi že več let delajo na sistemu, imenovanem CYC. Cilj projekta CYC je razviti veliko računsko bazo podatkov in orodja za iskanje, ki sistemom AI omogočajo dostop do vseh znanj, ki imajo smisel. Projekt CYC poskuša rešiti problem skupnega vedenja znanja. Trenutno se rezultati projekta šele začenjajo pojavljati. Še ni jasno, ali so bili veliki napori uspešni.

Drugi raziskovalci so sprejeli drugačno težavo, da bi rešili problem. Razmišljajo, da ima človeško bitje razum zaradi velikega bogastva izkušenj, ki jih imamo, ko odraščamo in se učimo. Raje poskušajo obravnavati problem skupnega pomena s sprejetjem strategije strojnega učenja. Morda bi se lahko, če bi se računalnik naučil na podoben način kot človeško bitje, razvil tudi zdrav razum. Ta strategija se še vedno izvaja in je še prezgodaj, da bi ugotovili, ali bo uspešna.

Še ena težava, ki jo je raziskava AI raziskala, je, da se naloge, ki so težko za človeška bitja, kot je matematika ali igranje šaha, izkažejo za precej enostavne za računalnike. Po drugi strani pa naloge, ki jih ljudje najdejo enostavno, kot je učenje za krmarjenje po sobi, polnem pohištva, ali prepoznavanje obrazov, računalnikov je razmeroma težko narediti. To je navdihnilo nekatere raziskovalce, da bi poskušali razviti sisteme, ki imajo (vsaj površinsko) možganske lastnosti. Raziskava, ki temelji na tej strategiji, je znana kot področje umetnih nevronskih omrežij (imenovano tudi povezovanje), in je trenutno eno glavnih specializiranih pod-območij znotraj AI. Na zanimivem vidiku umetnih nevronskih mrež je, da se mnogi od teh sistemov učijo in s tem vključijo nekatere od prednosti strategije strojnega učenja za reševanje problema pogostega vedenja. Sistemi umetne nevronske mreže so bili uspešni pri reševanju številnih problemov, kot so tisti, ki vključujejo prepoznavanje vzorcev, ki so se izkazali za težke za druge pristope.

Pomembno je, da se zavedamo, da vsi ne sprejemajo prostorov, ki jih izvaja AI raziskave. Celoten projekt AI je občasno kritiziral. Eden dobro znanih kritikov je Herbert Dreyfus. On je trdil na različne razloge, da je celotno podjetje AI obsojeno na neuspeh, saj predpostavlja o svetu in možganih, ki niso utemeljeni, ko so kritično ocenjeni. Še en znani kritik AI je John Searle. Searle je predlagal argument, ki temelji na miselnem eksperimentu, znanem kot argument Kitajske sobe. Ta argument naj bi dokazoval, da cilj izdelave inteligentnih strojev ni mogoč. Čeprav je bil ta argument prvotno objavljen v osemdesetih letih, je še vedno vroča tema razprave o internetnih novičarskih skupinah, kot je comp.ai.philosophy.

Ali so kritiki AI pravilni ali ne, bo samo čas povedal. Vendar so obstajali dve pomembni vrsti posledic, ki so nastali od začetnega začetka polja. Prvi od njih je bil rojstvo nove in vznemirljive akademske discipline, ki je bila znana kot “kognitivna znanost“. Kognitivne znanosti delijo z AI osnovno predpostavko, da je v določenem smislu duševna dejavnost računska narava. Cilj kognitivne znanosti se sicer razlikuje od cilja kognitivne znanosti. Kognitivni znanstveniki so si zastavili cilj, da razkrijejo skrivnosti človeškega uma. To ni majhna naloga, glede na to, da so človeški možgani najbolj zapleteni pripomočki, ki so znani človeštvu. Na primer, tudi če so narejene različne poenostavitvene predpostavke, se zdi zelo verjetno, da je število različnih možnih stanj posameznega človeškega možgana dejansko večje od števila atomov vesolja! Kljub temu pridobljena spoznanja in napredek pri doseganju cilja AI skupaj z napredkom v drugih disciplinah kažejo, da je projekt kognitivne znanosti uspešen, čeprav je težko doseči.

Drugi niz posledic, ki so nastali zaradi študije AI, so morda nekoliko manj očitni. Danes obstaja veliko programov in sistemov, ki izkoriščajo plodove raziskav AI. Čeprav še nima HAL 9000, so bili doseženi številni zgodnji cilji AI, čeprav ne v enem samem grand sistemu. Morda najbolj žalostna stvar je, da AI redko dobi kredit za svoj prispevek k drugim območjem. V akademskih krogih govori: “Najboljši plodovi AI postanejo preprosta staro računalništvo”. Ko smo se naučili narediti več in več, kar je bilo nekoč skoraj čudežno, postane svetovno. Zdaj, ko je bil cilj resnično finega šaha igranje računalnika uresničen, verjetno tudi to ne bo več vznemirjalo ali presenetilo. Vendar pa je v AI še vedno veliko osupljivih in razburljivih meja. Obstajajo tudi številna trzna vprašanja, ki jih je treba premisliti. V člankih, ki sledijo temu, bom poskušal uvesti nekaj zanimivega dela, ki se izvaja v AI, tako da bo prispevek tega raziskovalnega programa svetu, kot ga poznamo, bolje poznan in razumljen.

Predlagano nadaljnje branje

Campbell, J., (1989), neverjetni stroj, Simon & Schuster (New York).
Copeland, J. (1993), Umetna inteligenca, Blackwells (Oxford).
Churchland, P. (1988), Matter and Consciousness, MIT Press (Cambridge, MA).
Haugeland, J. (1985), Umetna inteligenca: Zelo ideja, MIT Press (Cambridge MA).

Bibliografija

Feigenbaum, E. in Feldman, J. (1963), Računalniki in misli, McGraw-Hill (New York).
Haugeland, J. (1981) Mind Design, MIT Press (Cambridge, MA).
Newell, A. in Simon, H., (1976), “Računalništvo kot empirična preiskava: simboli in iskanje” ponatisnjeno v Haugelandu (1981: str. 35-66).

 

Koristna spletna stran: http://www.ucs.louisiana.edu/~isb9112/dept/phil341/wisai/WhatisAI.html

Koda prikaza, ki temelji na več projektorjih

Pregled

Ta projekt vam ponuja orodja in tehnike, ki jih potrebujete za ustvarjanje lastnega večprojektorskega zaslona velikih površin, ki je dostopna in prilagodljiva. Zajema postopek, ki ga morate sprejeti, in težave, ki jih je treba upoštevati pri doseganju geometrijske poravnave in barvne brezhibnosti, ter sistem za upodabljanje slik z uporabo računalniških gruč. Zagotavlja tudi potrebne kode preprostega porazdeljenega sistema kalibriranja in prikazovanja slike / 3D-modela.

Kdo naj uporabi to kodo

  • Novice, ki želijo zgraditi lasten sistem za prikazovanje kamer in projektorjev, lahko to kodo uporabijo kot začetno točko
  • Raziskovalci, ki se zanimajo za sistem prikaza kamer-projektorja, lahko to kodo uporabijo kot referenco

Sistemska arhitektura

Z nedavno popularizacijo cenovno dostopnih grafičnih kartic je mogoče zgraditi distribuiran sistem za upodabljanje s skupino osebnih računalnikov. Naslednja slika prikazuje arhitekturo večprojektorskega zaslona, ki temelji na računalniku:

Slika 1. Sistemska arhitektura multiprojektorskega zaslona na PC-Clusteru

Kot je razvidno iz zgornje slike, sistem sestavljajo en glavni računalnik in nekaj računalnikov za renderiranje. Vsak računalniški oddajnik je povezan z enim projektorjem. Vsi osebni računalniki so povezani prek lokalnega omrežja. Glavni računalnik nadzira postopek prikazovanja sistema, računalniki za upodabljanje pa izvajajo dejansko opravljanje dela in izpis preko projektorjev. Splošni cilj je, da se pri videoposnetkih in drugih prizorov obnašanje projektorjev, ki se nahajajo v nespremenjeni obliki, obnašajo kot velik integriran zaslon.

Viri prizorov so prednaloženi na računalnike za upodabljanje in vsak računalnik bo prikazal svoj lastni del samo v skladu s predhodno kalibracijo, kot je prikazano na sliki. Ker so projektorji postavljeni navznoter, prizor iz različnih projektorjev morda ni dobro poravnan, prekrivna površina dveh ali več projektorjev pa je lahko videti bolj svetlejša od druge površine. Torej morajo računalniki za upodabljanje zasnovati prizore, da bi dosegli poravnavo geometrije in barvno brezhibnost. Osnovni postopek prikazovalnega sistema s sistemom PC-Cluster vključuje dva koraka: korak kalibracije na osnovi kamere in korak deformacije prizora. Med korakom umerjanja se projicirajo posebne značilnosti in ustrezne slike kamere so zgrabljene. Po analizi zgrabljenih slik, geometrijske informacije o tem, kako zasnovati sceno in alfa masko o tem, kako doseči fotometrično poravnavo, bodo atomsko ustvarjene. Med korakom deformacije prizora bo vsak projektor zasnoval vire scena glede na umeritveni rezultat.

Več informacij o poravnavi geometrije iz poglavja 3 referenčne [1], o barvni brezšivnosti iz poglavja 4 referenčne [1], o izdelavi PC-Cluster-a iz poglavja 5 referenčne [1] najdete več. Močno vam priporočamo, da knjigo temeljito preberete, preden začnete nastavljati lasten zaslon z več projektorji.

Zahteve strojne in programske opreme

Če želite uporabiti navedene kode, morate izpolnjevati naslednje zahteve strojne in programske opreme:

Strojne zahteve:

  • En računalnik z monitorji, kot glavni računalnik;
  • Dva ali več osebnih računalnikov z namenskimi grafičnimi karticami (uporabljamo NVIDIA GeForce 8800GTS) kot računalniški oddajnik;
  • Dva ali več projektorjev (po enega za vsak računalniški oddajnik);
  • Eno pesto ali usmerjevalni in omrežni kabli;
  • Ena kamera, združljiva z OpenCV, z ustrezno lečo (za več informacij o izbiri fotoaparata in objektiva glejte Pogosta vprašanja);

Zahteve programske opreme:

  • Windows XP je nameščen na vseh računalnikih;
    (Spodaj je dodatna programska oprema, ki jo morate namestiti, če želite sami izdelati izvorne kode)
  • Microsoft Visual Studio 2005 ali novejši;
  • Knjižnica OpenCV 1.0 (iz reference [2]);
  • Knjižnica GLUT 3.7 (iz reference [3]);
  • Algoritmi FreeImage (iz reference [4]) so nameščeni;

Referenca

[1] “Praktični multimedijski projektor”, Majumder / Brown, AK Peters, ZDA, 2007
[2] Odpri Computer Vision Library, 1.0: http://sourceforge.net/projects/opencvlibrary/
[3] GLUT – orodje OpenGL Utility, 3.7: http://www.opengl.org/resources/libraries/glut/
[4] Knjižnica Algoritma FreeImage: https://code.launchpad.net/~glennpierce/+junk/main

 

Izvirni članek: http://www.comp.nus.edu.sg/~brown/projects/projector/index.html

 

RAZLIKE V ZVEZI Z SEKSOM V BARVI VZGOJNIŠTVO

JEZIK IN GOVOR, 1977, Vol. 20, del 4. Strani 404 – 409

ELAINE RICH
Univerza Carnegie-Mellon

Ta članek opisuje eksperiment, zasnovan za preizkušanje hipoteze, da imajo ženske večje barvne besede kot moški. Rezultati kažejo, da to počnejo. Rezultati kažejo, da imajo mlajši moški v vsaj enem družbenem razredu večje barvne besedne zveze kot starejši moški. Za ženske takšna razlika ni. Vendar je skupina katoliških nuns dosegla rezultat nižje od ostalih žensk, a še vedno višja od moških.

UVOD

Široko prepričana je, da imajo ženske večje barvne besedne zveze kot moški. Robin Lakoff (1975) na primer navaja to dejstvo in kot pojasnilo predlaga ugotovitev, da ženske v tej družbi porabijo veliko več časa za dejavnosti, povezane z barvo, kot so izbira oblačil kot moški. Namen naše študije je bil ugotoviti, ali ženske resnično uporabljajo širši nabor barvnih izrazov kot moški, tako da predstavijo barve tako moškim kot ženskam, tako da jih prosijo, da jih imenujejo in nato merijo velikost besednjakov, ki jih uporabljajo.

V literaturi so poročali o vsaj dveh sorodnih vrstah opazovanj. Prva obravnava razlike med moškimi in ženskami pri drugih nalogah v zvezi z barvo; druga vključuje druge razlike med jezikom moških in žensk, kar kaže, da če se moški in ženske razlikujejo po barvnem besedišču, to ne bi bilo edino področje, v katerem se njihovi jeziki razlikujejo.

Preizkus imena po imenu Wordswoth-Wells (Wordsworth and Wells, 1911) testira hitrost prepoznavanja standardnih barv. Predmeti so predstavljeni s kartico, ki prikazuje 100 madežev barve vsakih 1 cm. kvadrat. Vsak obliž je rdeča, rumena, zelena, modra ali črna. Predmet je časovno določen, saj pokaže imena barv popravkov. Wordsworth in Wells sta poročala, da ženske med študenti bolje delajo kot moški, t.j., zahtevajo manj časa. Ligon (1932) je ugotovil, da pri otrocih v razredih ena do devet deklic naredi boljše pri testu Wordsworth-Wells kot pa fantje. Prav tako je pokazal, da je razlika v spolu med prvima dvema razredoma bila večja pri barvnem preizkusu kot na testu branja besed, ki je bila zasnovana za merjenje splošne verbalne tektonosti, na kateri so deklice naredile tudi bolje kot fantje. Ta študija kaže, da so vsaj nekatere razlike med moškimi in ženskami pridobljene v zelo zgodnji dobi.

Obstaja veliko dokazov, da jezik žensk ni vedno enak kot jezik moških. Antropološka literatura je bogata z primeri spolne diferenciacije jezika med tako imenovanimi primitivnimi ljudmi. Jespersen (1922) razpravlja o jeziku Karibov malih Antilov, v katerih je približno ena desetina besednjaka za ženske drugačna kot za moške. Razlike se pojavljajo predvsem v srodnikovih izrazih, imenah za dele telesa, pa tudi v izoliranih besedah, kot so prijatelj, sovražnik, veselje, delo, vojna, hiša, vrt, postelja, strup, drevo, sonce, luna, morje in zemlja . V Koasatiju, ameriškem indijskem jeziku (Haas, 1944), se moški in ženski govor razlikujeta v nekaterih oblikah verbalnih paradigem.

Že dolgo je bilo priznano, da se v angleščini moški in ženski govor razlikujeta glede uporabe prekletih besed in eufemizmov. Obstajajo dokazi, da obstajajo tudi druge razlike. Barren (1971) poroča o razliki med govorjem moških in žensk v relativni pogostosti različnih primerov.

Ta članek opisuje eksperiment, ki je bil izveden, da bi ugotovili, ali je barvni besednjak drugačno področje, v katerem se moški in ženski govor razlikujejo.

 

POSTOPEK

 

Nabor 25 kartic je bil izdelan z barvanjem kvadrata v dveh centimetrih v sredini vsake od 25 3×5 kartic. Kvadrati so bili barvani z barvami, ki so jih izbrali iz Crayolove škatle z 64 barvami. Nobene barve ni bilo uporabljeno več kot enkrat.

Vsakemu subjektu so bile karte enkrat prikazane in zahtevale, naj navede besedo ali frazo, ki jo bo uporabil za opis barve. Za standardizacijo naloge je vsakemu subjektu povedal, da se mora predstavljati v naslednji situaciji:

“Kupili ste srajco in sedaj želite kupiti hlače, ki se ujemajo s srajco. Pojdite v trgovino, vendar niste dobili srajco z vami. Hočeš reči prodajni osebi:” Imam – – srajco. Pokaži mi hlače, da gredo s seboj. “

Predlagatelji so tudi povedali, da bi morali poskušati opisati karte čim bolj neodvisno, da jih ne bi smeli primerjati med seboj in da je bilo sprejemljivo podati isto ime več kot eno karto.

Odzivi so bili zabeleženi in nato doseženi z uporabo sheme za merjenje obsega besednih barvnih besedišč. Odzivi so bili razdeljeni v štiri kategorije:

(1) Osnovna – ena od naslednjih osnovnih barvnih besed: rdeča, oranžna, rumena, zelena, modra, vijolična, vijolična, bela, črna, rjava, siva, rožnata, tan.

(2) Kvalificirana – osnovna beseda, ki jo označujejo besede, kot so svetloba ali temna ali druga osnovna beseda, npr. rumenkasto zelena. Odzivi v tej kategoriji so bolj specifični od osnovnih odzivov, vendar dejansko ne kažejo večjega besednjaka.

(3) Kvalificirana Fancy – osnovna beseda, ki se kvalificira s posebnimi besedami, kot je nebo modra ali zelena lovec.

(4) Modre barvne besede, ki niso v osnovni kategoriji, kot so sivka, škrlatna in črtasto.

Rezultat za vsak predmet je bil izračunan z dodelitvijo ene točke za vsak osnovni odziv, dva za vsakega kvalificiranega, tri za vsako kvalificirano fancy in štiri za vsak domišljen odziv. Ker je bilo 25 kart, so možne ocene od 25 do 100.

Predmetniki so bili razdeljeni na pet skupin na podlagi starosti, spola in poklica, in sicer:

Skupina I: moški, stari 20-35 let. Diplomanti ali ljudje, ki delajo na tehničnih področjih.

Skupina II: moški, stari 45-60 let. Vsi tehnično usposobljeni, visoko izobraženi strokovnjaki.

Skupina III: ženske v starosti 20-35 let. Nadaljnja razdelitev v dve skupini:

A: tehnično-ustrezna skupini I.

B: netehnično, a dobro izobraženo.

Skupina IV: ženske v starosti 45-60 let. Večina jih je poročenih z moškimi v II.

Skupina V: katoliške nune. Večina jih je več kot 30 let.

Test Mann-Whitney U (Siegel, 1956) je bil uporabljen za določitev, na podlagi ugotovljenih rezultatov, verjetnosti, da so bile ocene ene skupine stohastično višje od tistih v drugi skupini.

Skupine so se gibale od sedmih do 24 oseb. Velikost skupin je upoštevana pri testu Mann-Whitney.

Rezultate

Tabela 1 prikazuje mediane ocene za vsako od petih skupin. Predlaga, da:

(1) Ženske uporabljajo ljubiteljske besede kot moški.

(2) Mlajši možje raje uporabljajo starejše moške.

(3) Vse ženske imajo podobne besedne velikosti, razen nun, ki uporabljajo manj fancy besed kot druge ženske.

Test Mann-Whitney kaže, da so te razlike zelo pomembne. V tabeli 2 so prikazane ravni pomembnosti za hipoteze, da so določene skupine višje od ostalih. Naslednje primerjave niso prinesle nobene pomembne razlike:

(1) Tehnične v. Netehnične mlade ženske.

(2) Mlade ženske proti starejšim ženskam.

Ker je bila edina pomembna razlika med ženskami med nunami in ne-nunami, bodo skupine III in IV združene v preostanek te razprave.

V tabeli 3 je prikazano povprečno število članov posamezne skupine skupin. Pokaže, da so ženske uporabile bolj kvalificirane fancy in fancy besede kot moški, starejši moški pa so uporabljali bistveno manj fancy besed, kot so bili mlajši moški. Prav tako kaže, da so nune uporabljale manj lepih besed kot ženske.

Še en merilo obsega besedišča je število, kolikokrat je bil isti izraz uporabljen za opis različnih barv. V tabeli 4 je prikazano povprečno število barv, ki so bile opisane natanko na enak način kot prejšnja barva. Najstarejši moški so uporabili največ ponovitev, sledili so mlajši moški, nune, nato pa preostale ženske. Torej, tako rezultat oddaljenosti in ponovitev štejejo enako naročanje skupin.

TABELA 1

SKUPINA

REZULTAT

I

(mladi moški)

56

II

(starejši moški)

47

III

(mlade ženske)

65

 

   A (tehnično)

66

 

   B (netehnični)

64

IV

(starejše ženske)

65

V

(nune)

60

TABELA 2

SKUPINE

SIG

III + IV > I + II (ženske> moški)

0.999

I > II (mladi moški> starejši moški)

0.969

IV > II (starejše ženske> starejši moški)

0.984

IlIa > I (mlade tech ženske> mladi tech moški)

0.997

III + IV > V (druge ženske> nune)

0.973

TABELA 3

OSNOVNO

KVALIFICIRANO

KVALIF.
FANCY

FANCY

I + II (vsi moški)

6.3

9.7

3.7

5.4

I (mladi moški)

6.1

8.9

3.8

6.2

II (starejši moški)

6.7

12.3

3.6

2.4

III + IV (lay ženske)

4.4

7.5

5.6

7.5

V (nune)

4.7

9.8

4.2

6.2

TABELA 4

SKUPINE

ŠTEVILO REPEATOV

I + II (vsi moški)

2.68

I (mladi moški)

2.54

II (starejši moški)

3.14

III + IV (lay ženske)

1.09

V (nune)

1.38

 

DISKUSIJA

Na začetku eksperimenta je bilo sumljivo, da bi lahko drugi dejavniki, razen spolov, pomembno vplivali na barvne besedne zvezke ljudi. Zaradi tega so bile skupine razdeljene po starosti in poklicu. Vendar je zelo težko konstruirati vzorce brez razlik, razen spolne, saj je v tej kulturi seks zelo povezan z drugimi stvarmi. Na primer. Skupine II in IV se razlikujejo po spolu, vendar tudi naključno v poklicih ljudi, moških, ki delajo na tehničnih delovnih mestih, žensk, ki so vzgojile otroke. Pravzaprav je bilo (na primer Lakoff) domnevalo, da so takšne razlike, povezane s spolom, razlog za razlike v barvnem besednjaku. Ženske preživijo več časa za nakup oblačil in okrasitev dnevnih sob. Ta študija pa kaže, da tudi če je glavna zasedenost enaka (skupina I proti III. Skupina), ženske kažejo večji barvni besednjak kot moški.

Dejstvo, da so nune manj kot ostale ženske, prav tako kaže, da so takšni kulturni dejavniki pomembni. Ne samo, da imajo nune manj časa skrbi za oblačila (tisti v tem poskusu še vedno nosijo navade) kot druge ženske, so ljudje, ki so se odločili, da se odrečejo takim stvarem. Tako dejstvo, da so nune ocenile višje od moških in da so ženske višje od moških, čeprav je njihova sedanja glavna zasedba enaka, kažejo, da se ta razlika določi zelo zgodaj v življenju, preden so izbrani odrasli poklici.

Razlika med mladimi in starejšimi moškimi je bila presenetljiva. Obstajajo vsaj dve možni razliki za to opazovanje. Eden je, da so starejši moški naenkrat imeli večje barvne besedne zveze, a že več let so bili poročeni, zato so imeli nekoga drugega za nakup oblačil in okrasitev njihovih dnevnih prostorov, njihovi besedni zakoni so atrofirali. Druga razlaga je, da imajo mlajši moški večje barvne besedne zveze kot starejši moški kdajkoli, ker se spolna stereotipa v tej družbi zmanjšuje, moški pa se vse bolj zanimajo za oblačila. Podatki, pridobljeni v tem poskusu, ne omogočajo nobenega načina odločanja med njima.

Cilj tega preizkusa je bil merjenje velikosti aktivnega besednjaka. Težko je narediti natančno to v eksperimentalnem položaju, v katerem so ljudje izrecno pozvani, naj imenujejo barve. Takšna situacija pa je bila nujna, da bi se vsak subjekt odzval na različne barve. Izbrana metoda skoraj zagotovo povzroča pristranskost do bolj eksotičnih opisov, kot bi jih subjekti uporabljali v vsakodnevni situaciji. Vendar je ta pristranskost konstantna pri vseh skupinah predmetov in zato ne sme bistveno vplivati na relativne ocene različnih skupin.

SKLEPI

Dokazi, zbrani v tem poskusu, potrjujejo hipotezo, da imajo ženske obsežnejše barvne besednice kot moški. Prav tako kaže, da imajo mlajši moški v vsaj enem socialnem razredu večje barvne besedne zveze kot starejši moški.

REFERENCE

BARRON, N. (1971). Jezik, ki ga je napisal spol: izdelava slovničnih primerov. Acta Sociologica, 14, 24-42.

DUBOIS, P. H. (1939). Razlika med spoloma pri testu poimenovanja barve. Amer. J. Psychol., 52, 380.

HAAS, M. (1944). Moški in ženski govor v Koasatiju. Jezik, 20, 142-9.

JESPERSEN, 0. (1922). Jezik: njena narava, razvoj in poreklo (New York), pogr. 13.

LAKOFF, R. (1975). Jezik in ženski kraj (New York).

LIGON, E. M. (1932). Genetska študija imenovanja barv in branja besed. Amer J Psychol 44 103-22.

SIEGEL, S. (1956). Nerparametrične statistike vedenjskih ved (New York).

WOODWORTH, R. S. in WELLS, F. L. (1911). Združevalni testi. Psihološke monografije, 57, 1-80.

 

Tu lahko najdete izvirno objavo v angleščini: http://www.cs.utexas.edu/users/ear/Sex-Related_Colour.htm

Routing, Tok, in oblikovanje zmogljivosti

v
Komunikacijska in računalniška omrežja

z
Michal Pioro in Deep Medhi
(Predgovor Debasis Mitre, podpredsednik, Bell Labs, Lucent Technologies in član Nacionalne akademije za inženiring)

To je knjiga o zasnovi omrežja; zajema teme iz osnovnega omrežnega načrtovanja do zasnove zaščite in obnove, do večplastnega načrtovanja omrežja ob upoštevanju usmerjanja in pretoka, kot veljajo v različnih mrežnih arhitekturah, protokolih in tehnologijah. Ta knjiga je namenjena raznolikim skupinam občin: od študentov do izvajalcev do raziskovalcev; material je organiziran tako, da lahko vsaka od teh skupin izkoristi to knjigo. Zlasti optimizacijske formulacije predstavljamo iz preprostih problemov do zapletenih problemov, ki ohranjajo enotno oznako v celotni knjigi.

Knjigo objavljajo Morgan Kaufmann Publishers (odtis Elsevierja). ISBN13: 978-0-12-557189-0 (ISBN10: 0-12-557189-5). Tukaj je neposredna povezava do spletišča MKP o knjigi. Ali ga lahko kupite s povezave MKP, ali na Amazon.com (ZDA), Amazon.co.uk (Združeno kraljestvo) ali Amazon.fr (Francija), Amazon.de (Nemčija), Amazon.co.jp (Japonska) ali Angus & Robertson (Avstralija).

Poglavje 2 je na spletu na voljo on-line za prenos / pregled / tiskanje. In, tukaj je Tabela od Vsebina.

PREDGOVOR (odlomek)
Raziskovalci, študentje in praktiki mrežnega oblikovanja bodo toplo pozdravili knjigo na svojih policah. Uporabljal se bo kot svetilnik in se posvetoval v naslednjih letih.
– dr. Debasis Mitra, podpredsednik, Bell Laboratories, Lucent Technologies in član Nacionalne akademije za inženirstvo

PREGLEDI
Knjiga Pioro in Medhija je zelo osvežujoča in ponuja izčrpen pogled na mrežno zasnovo. Združuje številne pomembne teme o zasnovi omrežja, ki se ne nahajajo na enem mestu; na primer, ta knjiga zagotavlja prvo temeljito obravnavo večplastnega oblikovanja. Praktiki bodo našli knjigo koristno zaradi njegovega razvoja obeh modelov in algoritmov, ki so bolj uporabni pri resničnih težavah.
– Dr. Robert D. Doverspike: Bell Labs, Bellcore (zdaj Telcordia) in AT & T Labs – raziskave, ZDA

Avtorji uspešno premostijo vrzel med omrežno tehnologijo in sistemskim modeliranjem in optimizacijo, ki zagotavljajo celovito in avtoritativno referenco o komunikaciji in računalniškem omrežju z matematičnim optimizacijskim modeliranjem. To je bistvena knjiga za diplomante in akademske in industrijske raziskovalce.
– profesor Luigi Fratta, Politecnico di Milano, Italija

Ta knjiga ponuja poglobljen pogled na probleme oblikovanja omrežij tako iz teoretičnega kot praktičnega vidika. V prihodnjih letih bo postal referenčno delo na področju oblikovanja telekomunikacijskega omrežja.
– profesor André Girard, INRS-EMT, Kanada

Ta knjiga predstavlja osnovna načela in metode za razvoj optimizacijskih modelov za sodobno komunikacijo in oblikovanje računalniškega omrežja. Knjiga se osredotoča na optimizacijske probleme in metode za usmerjanje prometa, pretok in optimiranje zmogljivosti virov. Prav tako poskuša razložiti načela in metode modeliranja in optimizacije omrežja na celovit, enoten, splošen in natančen način. Zelo je zanimivo, da je oblikovanje in oblikovanje velikih komunikacijskih in računalniških omrežij pomembno področje za raziskovalce in praktične delavce. Razpon knjige zajema širino njihove vloge pri razvoju zasnove omrežja, zato bo bralec v njej našli bistvene elemente oblikovanja omrežij, povezanih s krožno povezavo, glavnega mesta telefonije in problemov v novejših tehnologijah, saj je IP in optično omrežje. Posebno pozornost je predstavljena tudi dobra obravnava oblikovanja večplastnih omrežij. Natančneje, knjiga je razdeljena na naslednji način: I. del: Uvodna zasnova omrežja: 1. poglavje Uvod v osnovne pojme in koncepte mrežnega modeliranja in oblikovanja. Poglavje 2. Pogovarja in uvaja zamisel o omrežju večstranskih tokov. Poglavje 3. Predstavlja niz primerov, povezanih s tehnologijo. Del II: Oblikovanje modelov in metode: Poglavje 4. Predstavlja različna pomembna vprašanja o modeliranju modelov večih blagovnih tokov. Poglavje 5. Predstavlja različne osnovne optimizacijske pristope, ki se uporabljajo pri oblikovanju problemov. Poglavje 6. meni, da so problemi v zvezi s projektiranjem povezani z lokacijo in topološko zasnovo. Poglavje 7. Razpravlja o stanju tehnike na področju nedavnega oblikovanja. Poglavje 8. predstavlja vprašanje poštenih omrežij z elastičnim prometom. Del III: Poglavje 9. Razpravlja o problemih pri zaščiti in obnovi. Poglavje 10. Predstavlja ustrezne rešitve za reševanje problemov v velikih omrežjih. Poglavje 11. Razpravlja o modelih za večnamensko in večstopenjsko enoslojno mrežno zasnovo. Poglavje 12. Razpravlja o problemih večplastnega modeliranja in normalne / obnovitvene zasnove sodobnih omrežij. Poglavje 13. Predstavlja večplastno obnovitveno obliko za poštene mreže. Končno lahko ugotovimo, da bodo praktiki, diplomanti in raziskovalci našli knjigo, ki je koristna za akademske in industrijske namene.
– Demetre Voukalis, v ZENTRALBLATT MATH


Ta knjiga je zdaj citirana več kot 900-krat, glede na Google Scholar (od avgusta 2014).


Na voljo je predstavitveni material za uporabo v razredu. Prosimo, da se obrnete na Deep Medhi na dmedhi-at-umkc_dot_edu

Rešitve za izbrane vaje so bile vključene v knjigo. Na voljo so tudi rešitve za vaje (to je na voljo samo učiteljem tečaja, prosim kontaktirajte me).

V pisnih tehničnih knjigah je napisano nepisano zlato pravilo: vsaka knjiga mora imeti seznam napak! Kliknite tukaj, da dobite najnovejši seznam napak. Če najdete kakršne koli napake, nam sporočite; jih bomo vključili v prihodnjo izdajo.

 

Vir: http://sce2.umkc.edu/csee/dmedhi/book/rfacd/

MIT Deionizer – Michael Taylor

Kaj je deionizacija?

Deionizacija je specializirana oblika delnega vrednotenja. Deionizer opravi delno ovrednotenje; vendar se namerno vzdrži optimizacije izhodnega programa proti vnosu. Namen deionizatorja ni optimizirati delovanje programa, temveč omogočiti zagon brez dostopa do originalnih vhodnih naprav.

Vdelava aplikacij

Ena uporaba deionizacije je za vdelavo aplikacij. Na primer, lahko aplikacija uporabi več podatkovnih datotek (na primer, bitne slike v igri). Čeprav razvijalec morda želi razviti te datoteke ločeno v izvorni obliki (npr. Datoteko .gif), lahko deionizacijo uporabite za združitev teh datotek v eno binarno enoto, ki je poslana uporabniku. Ali pa v primeru vgrajenega sistema, ki nima nekaterih I / O naprav, deionizacija omogoča, da se program zapisuje, kot da bi obstajale te naprave I / O. Končni binarni vir, ki vsebuje vir in podatke ter primeren za zapisovanje v bralni pomnilnik, lahko nato izvede deionizer.

Merilo Natančnost

Deionizer se lahko uporablja tudi za izboljšanje natančnosti meril uspešnosti v računalniških sistemih. Ta uporaba, osrednji del tega kratkega papirja, omogoča, da se klici I / O in operacijskega sistema odstranijo iz primerjalnih aplikacij. Deionizator, opisan v tem prispevku, je bil uporabljen za izboljšanje natančnosti zbranih rezultatov v primerjavi med sistemom Pentium 3 in nerazdeljenim procesorjem v knjigi Raw ISCA iz leta 2004.

To ima dve prednosti:

1. Deionizacija odstrani odvisnost časa delovanja programa na delih računalniških sistemov, ki niso pomembni za poskuse, ki se izvajajo. Na primer, pri primerjavi dveh izvedb procesorja je tipično meriti čas delovanja iste aplikacije in podatkov na obeh napravah. Vendar pa različna izvedba operacijskih sistemov, I / O arhitekture, matičnih plošč, omrežnih datotečnih sistemov in trdih diskov lahko obkroža našo zmožnost sklepanja o vplivu procesorja na obratovalni čas programa.

2. Deionizacija odpravlja številne vire variabilnosti za zbiranje podatkov, tudi za zaporedne programe iste aplikacije na istem računalniku. Čas delovanja programa, ki omogoča I / O, je odvisen od preteklosti predpomnilnika datotečnega sistema operacijskega sistema, položaja diskovnih plošč ob vrtenju ali celo temperature trdega diska ali procesorja. Če zbiralni stroj uporablja shranjevanje omrežnih datotek, je lahko časovna razlika varnejša. Deionizacija lahko tako zmanjša obseg hrupa poskusov, kar omogoča natančnejše meritve.

Prenosi

Ustvaril sem orodje, ki pomaga ustvarjati deionizirane binarne datoteke. Zahteva GNU binutils 2,10 (ali bolje) in C prevajalnik, na ciljni platformi.

Prenesi deionizer 1.14.
Prenesi deionizer 1.13.

Datoteka README znotraj datoteke tar ima navodila za uporabo.

Kliknite tukaj za pregled deionizatorja.

 

Za izvirno angleško besedilo pojdite na: http://cseweb.ucsd.edu/~mbtaylor/deionizer.html

 

O poučevanju in učenju

V najbolj radikalnih trenutkih bom rekel

Ni poučevanja.

Ko poskušam biti bolj premišljen, bom dodal: “Učenje in pomaganje drugim se učijo samo.” Zato je smiselno najprej govoriti o učenju.

Učenje

Obstajajo različne vrste učenja, vendar se tukaj sklicujem na intelektualno. Če želite izvedeti, pomeni, da vaš um deluje drugače: ustvarijo se novi spomini in / ali nove povezave so ponarejene. Ko želite izvedeti, je preprosto. Več kot enostavno, je komaj opazno. Se spomniš učenja prepoznati svojo družino (v tistem času si bil star nekaj tednov)? Si se boril za učenje svojega prvega jezika? Stavim, da ste se naučili prepoznati “več” in “manj” zelo enostavno (če primerjate sladico z vašim bratom, morda). V zadnjem času, kako težko je bilo, da se besedilo naučite najnovejše najljubše pesmi? svojo pot okoli kampusa? V teh trenutkih se vi in vaši možgani podvržete drastičnim spremembam, tako kot zagotovo kot pri študiju računov, ruskega, ekonomije in književnosti. Moja točka je to

Učenje je dejanje volje.

Preden se lahko naučite nekaj, se želite naučiti. Tako se je najlažje naučiti nekaj, da se zanima. Če je vaše zanimanje spontano, nič drugega ne more storiti, ampak nadaljevati z njim. Ampak, če se boste poskušali naučiti nekaj, za kar vas seveda ne zanimajo, kaj delate?

Najpomembnejše vprašanje, ki ga je treba vprašati v tej točki, je: “Zakaj to učim?” Morate ga resno vprašati in iskati morate odgovor znotraj sebe. Če se ne znajdete v položaju, ki dobesedno pripada nekomu drugemu (sužnji), potem ta odgovor leži z vami. Če je vaš prvi razlog, da vam je avtorica (npr. Učitelj ali starš) rekla, da jo naučite, še vedno sprašujete. Zakaj je ta oseba priporočila razred? Kakšen je vaš končni cilj pri sledenju nasvetu? Je vaš cilj vreden? Če ostaneš na poti, morda samo sprejeti, da so potrebni določeni koraki.

Drumming interes je lažje, kot se morda zdi. Postanite socialno: pogovarjajte se z drugimi, ki se tudi učite ali poiščite nekoga, ki ga zanima (na primer učitelj ali navdušen sošolec). Preživite malo več časa na njem, namesto malo manj. Če berete, poiščite knjigo. Če deskate, poiščite mrežo. TV? Kdo ve, morda bo prikaz, ki omenja vašo temo. Bodite pozorni na nekaj, samo majhno stvar, ki povezuje zadevo z vašimi interesi.

Ali ste srečni drugače? Nihče, ki je na splošno nesrečen, lahko karkoli dobro dela. Če vas bo večina fakulteta spravljala navzdol, si oglejte Vodnik College Happiness.

Nazadnje, vem, da je dolgočasno slišati, zato bom hitro rekel in samo enkrat. Veliko dobrih stvari je prišlo od tega, kar ste mislili, da ne bi želeli.

Večina nas je najbolj seznanjena z učnim procesom, ki poteka v razredu, čeprav se veliko učenja izvaja zunaj šole in manj formalno. Osebno, dejavnost, ki jo najbolj uživam v življenju, je učenje (glej moje interese in hobije). Biti na fakulteti univerze mi daje veliko priložnosti, da se prepustim tej dejavnosti, toda v šoli sploh ni potrebno. Učenje se zgodi kjerkoli in kadar koli se želi učiti.

Dober učenec v razredu

  • pozna razpoložljiva sredstva;
  • je navdušen nad temo;
  • je pravočasno pripravljen na sestanke;
  • odgovarja na vprašanja in pripombe;
  • postavlja vprašanja drugim;
  • postavlja vprašanja o sebi ali sebi;
  • je iskren (a ne paničen), ker ni vedel vseh odgovorov;
  • pravočasno oddaja dokončane naloge;
  • pozna imena drugih učencev in učitelja;
  • več kot poslušaj.

Na voljo so študijski nasveti za univerzitetne razrede. Vključujejo splošne nasvete, kako brati matematiko (razlikuje se od drugih predmetov), kako opraviti matematični test in pregled dobrih učnih navad. Poleg tega si oglejte moj prvi dan predavanje o razredu, kolegiju in življenju ter moje pripombe o etiki v matematičnih tečajih pisanje, matematičnega gradiva in matematično pogovor.

Poučevanje

Poučevanje ponuja nekoga priložnost za učenje. To je mogoče storiti dobro in ga je mogoče storiti slabo. Nikoli ni storjeno enostavno. Učitelji, ki jih največ vidimo, so tisti, ki poučujejo v učilnici. Eden lahko poučuje tudi prek knjig in drugih medijev, celo čez čas, dolgo po umrlih.

Učitelji v razredu so najbolj neposredni stiki s svojimi učenci in ponavadi igrajo več vlog. Med delom procesa so vodniki, ki učencem pomagajo najti in organizirati informacije. Kasneje so oboževalci krepijo uspehe, trenerji pa poslušajo frustracije in dajejo kazalnike. Nazadnje, učitelj v razredu je sodnik, ki primerja vsakega študenta z znanjem in mojstrstvom predmeta do ideala in daje povratne informacije.

Udeleženci in učitelji uživajo oboževalci in trenerji, oba pa gledata na sodnike z varno. Med temi vlogami je težak ples, vendar pa je učitelj vse od njih, kar je jasno za učence.

Dober učitelj v razredu

  • dobro pozna temo;
  • je navdušen nad temo;
  • je pravočasno pripravljen na sestanke;
  • odgovarja na vprašanja in pripombe;
  • postavlja dobra vprašanja in ve, kdaj naj zadrži odgovore;
  • daje poštene in konstruktivne povratne informacije;
  • je iskren, da ne pozna vseh odgovorov;
  • vse študente obravnava pošteno;
  • pozna imena študentov;
  • več kot govori.

Ta seznam se dopolnjuje z a dober učitelj v razredu (zgoraj).

Ena od glavnih idej za projekt Interaktivni matematični projekt, ki ga sponzorira NSF, je, da morajo učenci dobro delati.

“Govorjenje ni učenje, poslušanje ni učenje.”

Pogosto je najboljši način poučevanja, da postavite nekaj ovir (s postavljanjem dobrih vprašanj) in se nato odpravite s poti. To je tudi filozofija za odkrivanje učenja in metodo Moore poučevanja matematike. Študenti vedno vzpodbujajo odgovor, toda dokler se sami ne vprašajo in ne razumejo, odgovor malo pomeni.


študijski nasveti
Razred, kolidž in življenje
nazaj na domačo stran Margieja

 

Izvirni članek: http://www2.stetson.edu/~mhale/teach/

Neobstoj znakovnih lastnosti

Gilbert Harman
Univerza Princeton

Athanassoulis (1999) nasprotuje Harmanu (1999). “Izkušnje Milgramovega preizkušanja niso predpostavka, da imajo lahko ljudje značilnosti, temveč predpostavko, da se bo večina ljudi sočutno delala pod pritiskom”.

Čeprav preskus Milgrama sama po sebi ne izpodbija domneve, da imajo subjekti eksperimenta robustne značilnosti, ponazarja težnjo opazovalcev, da sklepajo nepravilno, da so ukrepi posledica značilnih robustnih značilnosti, ne pa vidikov situacije. Z drugimi besedami, ponazarja način, na katerega opazovalci obravnavajo “osnovno napako pripisovanja”. Poleg tega je le ena ilustracija. Psihološka literatura vsebuje vse druge primere, kot je razvidno iz vsakega sodobnega učbenika iz socialne psihologije, npr. Ross in Nisbett, 1991.

To postavlja vprašanje, ali obstajajo dokazi, da se ljudje razlikujejo po značilnostih. Lahko bi domnevali, da so takšne razlike očitne pri običajnih izkušnjah. Toda ta navadna mnenja je mogoče popolnoma razložiti brez kakršne koli domneve, da resnično obstajajo značilne lastnosti, kot je navedeno v Harman (1999), ki povzema Ross in Nisbett (1991). Poleg tega študije dejanskih individualnih razlik ne podpirajo navadnih predpostavk o lastnostih znakov.

Z drugimi besedami, čeprav se zdi povsem očitno, vsaj za nekoga, ki ni seznanjen s socialno psihologijo, da se ljudje razlikujejo po značilnostih, je takšno mnenje očitno enako kot mnenje praktičnega psihoanalitra o terapevtski vrednosti psihoanalize ali mnenja delodajalca, da je očitno, da intervjuji izboljšujejo odločitve o najemu. Takšna mnenja se trdno držijo precej neodvisno od njihove resnice (za katere je znano, da so napačne) in jih je mogoče razložiti v smislu potrditev pristranskosti različnih vrst. Podobno za običajna mnenja o značilnostih značaja. Nobenega razloga ni, da bi verjeli v značilne lastnosti, ki so običajno zasnovane.

Recimo, da takih stvari ni značilnost značilnosti, kot so običajno zasnovane. Kakšne so posledice za etiko spoštovanja? Morda ni pomembno. Dejansko je dobrodelno sredstvo pogosto obravnavano kot ideja, ki si jo prizadevamo, a ne nujno nikoli doseči. … Etikasti dobrodelnosti ne trdijo in ne bi smeli trditi, da je večina ljudi dejansko dobronamerna ali bi lahko načeloma postala dobronamerna “(Athanassoulis, 1999). Ampak, če vemo, da ni značilnega značaja in vemo, da bi morala vrlina imeti značilne lastnosti, kako si lahko prizadevamo postati dober agent? Če ni značilnih lastnosti, nič ne more storiti, da bi pridobili lastnosti značaja, ki so bolj podobne tistim, ki jih ima dober agent.

Seveda je odvisno od tega, katere vrste etike ima v mislih. Če ni takih stvari, kot so značilnosti, lahko še vedno predstavljate, kaj bi bilo, če bi bile značilnosti, ki bi jih lahko imele, in potem bi lahko poskušali delovati tako, kot bi lahko delal dober človek, če bi bilo mogoče. To bi bilo v nasprotju z eno temo po etiki, vendar v skladu z drugo. (Seveda obstajajo standardne težave s tem: Kaj naj storim, če sem v situaciji, v katero ne bi bila prisotna krepostna oseba? Ali naj obljubim, da vem, da ne bom mogel obdržati, če bi bila idealna krepostna oseba narediti obljubo in jo lahko obdržati? Harman, 1983)

Možne so tudi druge ideje. Thomson (1997) opisuje nekakšno etiko kreposti, ki se v prvi vrsti pritožuje na krepostna dejanja in ne na značaj. Merritt (1999) prepričljivo zagovarja Humeansko vrsto etike, ki lahko dopušča nerobustne značilnosti, ki jih podpirajo socialni položaji, v nasprotju z etiko Aristotelske vrline, ki zahteva robustne značilnosti.

Čeprav v teh zadnjih dveh zamislih očitno veliko pomeni, menim, da je bolje, da se opustimo vsa misel in govor o karakterju in vrlini. Verjamem, da je običajno razmišljanje v smislu značilnih značilnosti katastrofalno vplivalo na razumevanje ljudi med seboj, na njihovo razumevanje, katere socialne programe je smiselno podpreti, in na njihovo razumevanje mednarodnih zadev. Menim, da moramo ljudem prenehati delati to. Ljudje moramo prepričati, naj gledajo na situacijske dejavnike in prenehajo poskušati razložiti stvari v smislu značilnih lastnosti. Zapustiti moramo vse pogovore o vrlini in značaju, ne najti načina, kako ga rešiti s ponovnim razlago.

Ena manjša točka. Harman (1999) ne “domneva, da bodisi moralni filozofi ali etičnosti vrline ne vedo za zaključke socialne psihologije ali posebej poskusov Milgrama” (Athanassoulis, 1999). Poskus Milgram je najbolj znan sodobnih psiholoških eksperimentov in filozofi so zagotovo razmišljali o njegovih posledicah že več kot petindvajset let. Čeprav je manj filozofov opozorilo na posledično skepticizem v socialni psihologiji o značilnostih, so nekateri gotovo. Harman (1999) navaja Flanagan (1991), Railton (1997), Doris (prihajajoči) in Merritt (1999).

Athanassoulis (1999) navaja Kupperman (1991) in Cullity (1995) kot primere filozofov, ki se zavedajo zaključkov socialne psihologije. Toda niti neposredno ne govorijo o vprašanju, o katerem razpravljamo v Harmanu (1999). Kupperman (1991) razpravlja o nekaterih pomembnih psiholoških literaturah, vendar ne obravnava primera glede na obstoj značilnih lastnosti.

Cullity (1995) izpodbija idejo, ki jo je Thomson (1997) podprl, da lahko etika vrline temelji na korupciji ali doživetju, ne pa na pogubnem ali dobronamernem karakterju. Cullity trdi, da je dejanje neutemeljeno odvisno od odnosa agenta do vrste dejanj, “natančneje, odnosa pripravljenosti, da se določi največja žrtev kot odziv na določeno kolektivno potrebo. Za ovrednotenje takšnih odnosov kot brezobzirnega še ne ocenjujemo dejanja; ampak oceni element značaja zastopnika “(299). Ta zadnji del pa ne sledi, kajti očitno lahko obstajajo takšni odnosi, tudi če ni takšnih stvari, kot so robustne značilnosti.

Nazadnje, še manj pomembna točka. Spomnimo se, da Athanassoulis pravi: “Izkušnje Milgramovega preizkušanja niso domneva, da imajo lahko ljudje značilnosti, temveč predpostavko, da bo večina ljudi sočutno delovala pod pritiskom”. Obvestite se na frazo “večina ljudi”, ki sem jih poudaril. Podobno kupperman pravi: “Njegovi poskusi skupaj z njihovo replikacijo v različnih državah dokazujejo, da ima večina ljudi šibke znake” (170, moj poudarek še enkrat). Toda v Milgramu (1963) ni le večina, temveč je bil vsak subjekt pripravljen uporabiti pretrese do 300 voltov, kar je dvakrat toliko, kot se je pričakovalo pred časom.

Reference

Athanassoulis, N., (1999). “Odziv na Harman: Vrtarska etika in značilnosti”.

Cullity, G., (1995). Moralni znaki in problem iteracije, Utilitas 7, str. 289-99.

Doris, J. M. (prihajajoči). Ljudje kot nas: osebnost in moralno vedenje. New York: Cambridge University Press.

Flanagan, O. (1991). Vrste moralne osebnosti. Cambridge, Massachusetts: Harvard University Press.

Harman, G., (1983). “Človeški razcvet, etika in svoboda”, filozofija in javne zadeve 12 (1983) str. 307-322.

Harman, G., (1999). “Moralna filozofija ustreza socialni psihologiji: etičnosti kreposti in temeljni napaki pripisovanja.” Zbornik Aristotelskega društva 1998-99, 99, str. 315-331.

Kupperman, J., (1991). Znak. Oxford, Oxford University Press. Dodatek A.

Merritt, M. (1999). `Etika vrline in socialna psihologija značaja ‘, doktorat disertacije, Univerza v Kaliforniji, Berkeley.

Milgram, S. (1963). Vedenjska študija poslušnosti. Časopis za nenormalno in socialno psihologijo 67.

Railton, P. (1997). “Made in the Shade: Moralna kompatibilnost in cilji moralne teorije”, Canadian Journal of Philosophy, dopolnilni zvezek 21.

Ross, L. in Nisbett, R. (1991). Oseba in položaj: perspektive socialne psihologije. New York: McGraw-Hill.

Thomson, Judith Jarvis (1997). »Pravi in ​​dobri«, revija filozofije 94, 273-298

 

Tu lahko najdete izvirno objavo v angleščini: http://www.princeton.edu/~harman/Papers/Virresp.html

Virulenca

Razvoj virulence. – Nedavno sem postal zelo zainteresiran za razumevanje, zakaj paraziti včasih naredijo svoje gostitelje tako bolne. Nedavni model kaže, da je parazitna virulenca lahko povezana z interakcijami med propagulji (Lively 2001). Model tudi neposredno povezuje z genetsko obremenitvijo in z mutacijskimi teorijami za vzdrževanje spola.

Osnovni rezultat je prikazan na sliki levo. Tanke črte dajejo drugačen odnos med preživetjem gostitelja in številom propagulov parazita, ko postanejo prenosljivi. Upoštevajte, da ima dodajanje dodatnih propagul vedno bolj negativen učinek na preživetje gostiteljev za najvišje krivulje.

Debela črta daje ravnovesne vrednosti za število parazitnih propagul, ki jih povzroči posamezna okužba. Ključni rezultat je, da preživetje gostitelja raste pri parazitnem ravnotežju, saj se poveča interakcija med propagulji. Ta rezultat je podoben rezultatom teoretične populacijske genetike, ki kaže, da se telesna pripravljenost pri izbiri mutacijskega izbora povečuje s povečanim sinergizmom med škodljivimi mutacijami. Ti rezultati kažejo, da bodo vsi ostali enakovredni najbolj virulentni zajedavci, za katere imajo dodatni propagulci manjši učinek na gostitelja.

Zanima me tudi učinek večkratne okužbe pri izbiri stopnje rasti znotraj gostitelja zaradi parazitov (Lively 2005). Moji rezultati se razlikujejo od klasičnega rezultata, kar kaže, da več hkratnih okužb v istem gostitelju privede do izbire za bolj agresivno rasti znotraj gostitelja parazita. Namesto tega ugotovim, da lahko koinfekcija privede do manj agresivne rasti znotraj gostitelja pri vseh koinfektivnih sevih. Trdim, da razlika izhaja neposredno iz različnih predpostavk v modelih.

Zelo me zanima ekologija virulence. Ugotovil sem, da uporabljam standardne predpostavke o učinkih gostote na gostote rojstev gostov, da so lahko paraziti zelo virulentni pri nosilnosti, čeprav nimajo vpliva na notranjo rodnost okuženih posameznikov. Pravzaprav relativno majhni učinki okužbe na občutljivost okuženih posameznikov na konkurenco lahko privedejo do razmer, v katerih paraziti učinkovito sterilizirajo gostitelja (Lively 2006).

Lively, C.M. 2001. Propagule interakcije in razvoj virulence. Revija evolucijske biologije 14: 317-324. (preprint)

Lively, C.M. 2005. Razvoj virulence: kofinenacija in proizvodnja propagulov v parazitih, ki proizvajajo spore. BMC Evolucijska biologija 2005, 5:64

Lively, C. M. 2006. Ekologija virulence. Ekologija Pisma 9: 1089-1095.

 

C. M. Lively, Oddelek za biologijo, Univerza Indiana
Lively domača stran

 

Vir: http://www.indiana.edu/~curtweb/Research/virulence.html